Fault detection and identification methodology under an incremental learning framework applied to industrial electromechanical systems

Abstract

Condition Based Maintenance is a program that recommends actions based on the information collected and interpreted through condition monitoring and has become accepted since a decade ago by the industry as a key factor to avoiding expensive unplanned machine stoppages and reaching high production ratios. Among the condition based maintenance strategies, data-driven fault diagnosis methodologies have gained increased attention because of the high performance and widen range of applicability due to less restrictive constrains in comparison to other approaches. Therefore, an increased effort is been made to develop reliable methodologies that could diagnose multiple known faults on a machine with initial applications in controlled environments like laboratory test benches.

However, applying those methods to industry applications still represent an ongoing challenge due to the multiple limitations involved and the high reliability and robustness required. One of the most important challenges in the industrial sector refers to the management of unexpected events, in respect of how to detect new faults or anomalies in the machine. In addition, the information initially available of the monitored industrial machine is usually limited to the healthy condition, therefore is not only necessary to detect these new scenarios but also incorporate this information to the initial base knowledge.

In this regard, this thesis present a series of complementary methodologies that leads to the implementation of a fault detection and identification system capable to detect multiple faults and new scenarios of industrial electromechanical machines under an incremental learning framework to include the new scenarios detected to the initial base knowledge while achieving a high performance and generalization capabilities. Initially, a methodology to increase the performance of novelty detection models to detect unexpected events in electromechanical system is proposed. Then, a methodology to implement a sequential fault detection and identification system composed by a novelty detection and a fault diagnosis stages with high accuracy is proposed. Finally, two different methodologies are proposed to provide the sequential fault detection and identification system the capacity to include new scenarios to the base knowledge. The proposed methodologies have been validated by means of experimental data of laboratory test benches and industrial electromechanical systems.

"Mantenimiento basado en la condición" es un programa que recomienda una serie de medidas preventivas basadas en la información recopilada e interpretada mediante el constante monitoreo de la condición de la maquinaria y ha sido aceptado desde hace una década por la industria como un factor clave para evitar paradas no planificadas de la maquinaria y alcanzar altos índices de producción. Entre las estrategias de mantenimiento basadas en la condición, las metodologías de diagnóstico de fallos basadas en datos han recibido mucha atención debido al alto rendimiento y amplio rango de aplicabilidad, esto se debe que cuentan con menos limitaciones en comparación con otros enfoques. Por lo tanto, se ha hecho un mayor esfuerzo para desarrollar metodologías fiables que puedan diagnosticar múltiples fallos conocidas en una máquina, siendo aplicado inicialmente en entornos controlados como bancadas de laboratorio. Sin embargo, aplicar estos métodos en la industria sigue representando un desafío debido a las múltiples limitaciones implicadas y la alta fiabilidad y robustez requeridas. Uno de los desafíos más importantes en el sector industrial consiste en la gestión de eventos inesperados, específicamente en cómo detectar nuevos fallos o anomalías máquina. Además, la información inicialmente disponible de la máquina industrial monitorizada se limita generalmente al estado sano, por lo tanto, no sólo es necesario detectar estos nuevos escenarios, sino también incorporar esta información al conocimiento base inicial. En este sentido, esta tesis presenta una serie de metodologías complementarias que conducen a la implementación de un sistema de detección e identificación de fallos capaz de detectar múltiples fallos y nuevos escenarios de máquinas electromecánicas industriales en un marco de aprendizaje incremental para incluir los nuevos escenarios detectados al conocimiento base inicial manteniendo un alto rendimiento y capacidades de generalización. Inicialmente, se propone una metodología para aumentar el rendimiento de los modelos de detección de novedad para detectar eventos inesperados en el sistema electromecánico. Después, se propone una metodología para implementar un sistema secuencial de detección e identificación de fallas con alta precisión compuesto por una etapa de detección de novedades y otra de diagnóstico de fallos. Finalmente, se proponen dos metodologías diferentes para proporcionar al sistema secuencial de detección e identificación de fallas la capacidad de incluir nuevos escenarios al conocimiento base. Las metodologías propuestas han sido validadas mediante datos experimentales de bancadas de laboratorio y sistemas electromecánicos industriales.